SMamba：用于高光谱图像分类的空间–光谱状态空间模型

基于摘要分析。本文针对高光谱图像（HSI）分类中空间分辨率较低、光谱信息复杂，以及 Transformer 长程依赖建模计算成本较高的问题，提出空间–光谱状态空间模型 S²Mamba，通过分别提取空间与光谱上下文并自适应融合，实现地表覆盖分类。来源标题使用 SMamba，摘要中的方法名为 S²Mamba，二者写法差异尚待全文核对。 核心机制是沿不同维度设置两个选择性结构化状态空间模型：Patch Cross Scanning 模块通过像素与邻近像素的交互捕获空间上下文；Bi-directional Spectral Scanning 模块从连续光谱波段中提取语义信息。Spatial-spectral Mixture Gate 使用一组可学习矩阵，自适应融合两类表征，以应对均质场景与复杂纹理场景中空间、光谱信息作用不同的问题。摘要以 Mamba 的线性复杂度对比 Transformer 的二次复杂度，但完整模型的计算量、显存和实际运行效率尚未验证。 作者报告，在 HSI 分类基准上的广泛实验显示该方法具有优势，但摘要未提供具体数据集、划分协议、对照模型或指标数值，不能据此量化改进。实验协议、消融及统计信息尚未验证。摘要称代码将公开，当前可用性与复现条件尚未验证。 平台推测（待验证）：其分维建模与门控融合机制可能用于 EEG 的时间–通道表征，但这是假设，不是已证实的 BCI 效果。原方法依赖图像邻域和连续光谱波段结构；迁移时可复用状态空间建模与融合思路，需将扫描方式改造成时间序列及电极拓扑建模，不能直接把光谱波段等同于 EEG 通道。低信噪比、跨被试差异、通道布局变化和小数据可能使门控学习不稳定或产生过拟合。一个可检验的小实验是在固定跨被试划分与训练预算下，对比单时间维状态空间模型、时间–通道双维模型及其门控版本，检查双维融合是否稳定改善同一分类指标。已有 EEG 相关工作尚未检索确认。